RINO：无标签重整化群自蒸馏预训练方法

2026年10月15日，arXiv Artificial Intelligence 刊出由 Zichun Hao 等作者提出的 RINO（Renormalization Group DIstillation with NO Labels）自监督预训练方法。该工作首次利用高能喷流形成过程中固有的多尺度重整化群结构，作为自监督学习视图的物理来源，通过不同层级聚类定义跨能量尺度的教师-学生表示，并采用 DINO 风格自蒸馏进行对齐。报道称，RINO 在 JetNet 上仅用 1% 标注数据微调即可匹配全监督训练；使用完整标注数据集时，在顶夸克喷流上的分布外分类准确率提升 5.9%，并在不重新训练的情况下，将未见过的希格斯玻色子衰变通道 H→4q 的 AUC 较最强自监督基线提升 4.1%。代码已公开。上述数字与结论均出自该报道，尚无后续跟进报道对其提出修正或矛盾。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。